本研究提出了一种新的方法来解决通过利用 2D 到 3D 车道重建过程底层的几何结构来摆脱单目 3D 车道检测问题的方法，并使用结构先验来实现从局部到全局的三维车道重建，通过直接从前视图图像中提取 BEV 车道信息和任务特定的数据增强方法来降低 2D 车道表示中的结构损失，提高广义性；实验证明，该方法在 82 FPS 的实时速度下优于现有方法 3.8％的 F-Score。

Jun, 2022

本文提出了一种高效坚韧的单目三维车道检测方法 BEV-LaneDet， 通过引入虚拟相机、关键点表示方法和空间变换金字塔模块，能够更好地处理多样的三维车道结构，并在检测准确率上表现出色。

Oct, 2022

提出了一种新颖的端到端双视多模态三维车道检测框架 DV-3DLane，通过协同利用图像和激光雷达点的优势，在双视图空间中学习多模态特征并利用它们生成车道检测查询，实现准确的三维车道检测。在公开基准 OpenLane 上进行的广泛实验表明，DV-3DLane 具有高效性能，F1 得分提高了 11.2%，错误率大幅减少了 53.5%。

Jun, 2024

本文提出了一种新的车道检测方法，通过将车道检测任务分解为曲线建模和地面高度回归两个部分，使用参数化曲线在 BEV 空间中表示车道，以反映车道的原始分布，并通过设计新的框架和一系列损失函数统一了 2D 和 3D 车道检测任务，在 2D 车道检测基准数据集 (TuSimple 和 CULane) 以及最近提出的 3D 车道检测数据集 (ONCE-3Dlane 和 OpenLane) 上取得了显著的改进。

Sep, 2023

本文介绍了 ONCE-3DLanes 数据集，其中包含 211K 实际道路场景的 3D 车道标注，提出了自动生成高质量 3D 车道位置的数据集注释流程，同时提供了一种新的无锚点，无外部参考的方法 SALAD 来回归图像视图中的车道 3D 坐标。此外，还提供了一个新的评估度量标准，旨在促进 3D 车道检测领域的未来研究。

Apr, 2022

本文提出了一种新的基于参数曲线的车道检测方法，利用 Bézier 曲线及变形卷积特征翻转融合等方法，不仅在 LLAMAS 法案中实现了最新的最佳效果，并且在 TuSimple 和 CULane 数据集上实现了可观的准确性，同时保持了低延迟与小模型尺寸。

Mar, 2022

本研究提出了一种基于两个阶段的框架，通过从单个图像中估计相机姿态来预测 3D 车道，使用辅助的 3D 车道任务和几何约束来获得多任务学习的好处，增强 3D 和 2D 之间的一致性和在这两个任务之间的兼容性，在没有地面真值相机姿态的情况下，我们的方法胜过基于完美相机姿态的最先进方法，并且具有最少的参数和计算量。

Dec, 2021

该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

Nov, 2018

我们提出了一种新颖的 LATR 模型，这是一种基于前视 3D 感知特征的端到端三维车道检测器，通过使用查询和键值对的交叉注意力来检测三维车道，并通过使用车道感知查询生成器和动态三维地面位置嵌入来构建。该模型在合成 Apollo 和真实的 OpenLane 上优于以前的最新方法，F1 得分上的提升幅度大约为 11.4。

Aug, 2023

本文提出一种名为 Anchor3DLane 的去除 bird-eye view 的单目 3D 车道检测方法，通过在三维空间定义 3D 车道锚点并将其投影到前视图特征上提取特征，并采用全局优化方法，大幅度提升了车道检测的精度。

Jan, 2023